摘要[目的]通过整合多参数磁共振成像(magnetic resonance imaging,MRI)影像组学特征,构建可解释的机器学习模型,实现对乳腺癌患者术前中医证型的精准预测,为临床提供客观、量化的中医证型辨证依据.[方法]回顾性纳入浙江中医药大学附属第一医院2019年6月至2023年10月经病理诊断为乳腺癌的患者315例,患者的中医证型分为肝郁痰凝、冲任失调和正虚毒炽型,按7:3将患者随机划分为训练集(221例)和验证集(94例).依次提取每位患者动态对比增强成像(dynamic contrast-enhanced imaging,DCE)、弥散加权成像(diffusion-weighted imaging,DWI)和表观弥散系数(apparent diffusion coefficient,ADC)图像中的影像组学特征,利用克鲁斯卡尔-沃利斯(Kruskal-Wallis)秩和检验、斯皮尔曼(Spearman)相关性分析、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)多项式Logistic回归筛选影像组学特征,然后采用轻量梯度提升机(light gradient boosting machine,LightGBM)构建证型预测模型.[结果]从每位患者的DCE、DWI和ADC图像中共提取了2 832个影像组学特征,经过一系列特征选择方法后,筛选出DCE、DWI、ADC及三序列联合的特征总数分别为3、3、3和7个.整合了多参数MRI图像信息的机器学习模型预测效果最佳,训练集、验证集的微平均受试者工作特征曲线下面积(area under the curve,AUC)分别为0.852、0.838,宏平均AUC分别为0.833、0.810.沙普利加性解释(Shapley additive explanation,SHAP)分析显示,对证型预测结果贡献程度最大的三个特征依次为:ADC序列的逆差矩归一化(inverse difference moment normalization,ldmn)、ADC序列的平均灰度强度(Mean)以及DCE序列的逆方差(inverse variance).[结论]本研究构建的可解释机器学习模型能够准确预测乳腺癌患者术前的中医证型,SHAP可解释性分析提供了定量贡献值信息,可帮助临床医生理解模型预测过程,为中医药在乳腺癌治疗中的应用提供了新的视角.